CN113033453A - 一种适用于景观破碎区作物类型遥感识别的方法及系统 - Google Patents

Abstract

本发明公开了一种适用于景观破碎区作物类型遥感识别的方法及系统，该方法包括：根据作物物候特征获取目标区域的遥感影像，进行数据预处理；基于耕地数据计算目标区域的破碎度并分区；结合耕地数据及SVM算法识别得到的作物分布数据构建样本集；从各个破碎度分区中分别随机抽选训练样本集及测试集，作为样本输入包含细节特征提取模块、语义特征提取模块、浅层特征跳接操作模块和特征融合模块的多特征深度学习模型MFsNet完成作物识别模型的构建；将待识别目标区域影像输入模型得到作物类型识别结果。该方法通过从不同破碎度分区中抽选训练样本，确保了训练样本代表性，模型训练结果能够在景观破碎区域实现较高的作物类型识别精度。

Description

一种适用于景观破碎区作物类型遥感识别的方法及系统

技术领域

本发明属于遥感图像处理和作物类型识别技术领域，特别涉及一种适用于景观破碎区作物类型遥感识别的方法及系统。

背景技术

基于短探测周期、大覆盖范围、强现势性等方面的优点，遥感技术能够支撑作物类型的准确、快速识别，主要是采用遥感分类方法，分析光谱、物候、空间等特征以及解析农学机理，将不同作物、其它类别地物进行区分的过程。遥感识别分类方法和特征的提取将直接影响作物识别的精度，需要工作量较大的人工干预，如手工提取特征，难以实现自动分类；难以提取到深层次的特征，提取特征都为层次较低的单一或少量的浅层特征，造成模型表征能力不足。

随着技术的进步，出现了神经网络在图像处理领域的应用；深度卷积神经网络(Deep Convolutional Neural Networks,DCNN,也称CNN)由于具有“端对端”、可提取深层特征等特性，能够克服传统分类方法的众多缺点。免去手工提取特征的操作，实现“端到端”的分类；能够自动、高效地提取深层的大量特征，具有很强的处理复杂分类问题的能力和很好的鲁棒性，在遥感影像分类领域得到了大量应用。

深度学习最初的动机是建立并模拟人脑进行学习分析。作为深度学习领域的重要内容，深度卷积神经网络能够将特征提取和分类这两个过程合并，实现“端对端”的图像识别；因其独特的卷积层、池化层等结构，使得深度卷积神经网络拥有“局部感知”、“权值共享”、“下采样”的特点。与传统的机器学习方法相比，深度卷积神经网络具有“端对端”的特性，可以免去手工提取特征的操作，够提取深层特征，具有很强的处理复杂分类问题的能力、鲁棒性，还具有出色的泛化能力。

在遥感识别任务中，深度卷积神经网络通过多个隐层对地物特征进行逐步提取，在此过程中，特征的层次逐渐加深，最终能提取到具有强大表征能力的地物深层特征，因此能够提高目标地物识别的精度。

但是，目前多数应用CNN于农业遥感领域的研究中，采用的模型多为模块单一、支路单一的较为简单的结构，由于连续的下采样操作，提取到深层特征缺乏细节信息，也鲜有对模型进行有针对性地设计去实现不同层次、不同类别的多特征提取，尤其缺乏对细节特征的关注，在农业景观复杂地区还存在局限性；因此，针对农业景观破碎地区的细碎地物的遥感识别并不适用。

发明内容

鉴于上述情况，本发明提出了一种适用于景观破碎区作物类型遥感识别的方法及系统，可解决传统分类方法的缺点和结构简单、模块单一的CNN模型在地块破碎地区的局限性问题。

为实现上述目的，本发明采取的技术方案为：

第一方面，本发明实施例提供一种适用于景观破碎区作物类型遥感识别的方法，包括以下步骤：

根据作物物候特征获取目标区域的遥感影像，进行数据预处理；

基于耕地数据计算所述目标区域破碎度并按破碎度指标进行分区；

利用SVM算法完成对各破碎度分区的遥感影像初步分类，并结合所述耕地数据完成作物类型样本标定，获得耕地地块内仅包含一种作物类型的样本数据；

从所述各破碎度分区中分别随机抽选相同数量的样本数据，构建作物类型训练样本集；

将所述训练样本集输入多特征深度学习模型MFsNet进行微调训练，不断迭代直至Loss收敛，最终参考测试损失辅助选择确定最优模型；所述多特征深度学习模型MFsNet包括细节特征提取模块、语义特征提取模块、浅层特征跳接操作模块和特征融合模块；

将待识别目标区域的遥感影像输入训练完成的MFsNet模型，完成农作物类型遥感识别。

进一步地，根据作物物候特征获取目标区域的遥感影像，进行数据预处理,包括：

根据作物物候特征获取目标区域的遥感影像，并对所述遥感影像进行辐射定标、正射校正、大气校正、投影转换和影像裁剪处理操作。

进一步地，基于耕地数据计算所述目标区域破碎度并按破碎度指标进行分区，包括：

将所述目标区域的耕地地块矢量数据转化为栅格数据，计算景观水平的斑块密度作为景观破碎度；

根据所述景观破碎度，按分位数将所述目标区域划分为若干破碎度分区，获得目标区域中不同破碎度分区下具有同一作物类型的遥感影像。

进一步地，作物类型样本标定的过程包括：

在每个耕地地块内，以像元数最多的作物类型进行标定，得到作物类型标记真值；如果地块内没有作物类型像元则标记为其他作物；

以得到耕地范围内、类型纯净的作物类型样本。

进一步地，所述多特征深度学习模型MFsNet的激活函数为ReLU函数。

进一步地，所述细节特征提取模块由一个最大池化层和四个卷积层组成；其中后两层设置为膨胀卷积层。

进一步地，所述语义特征提取模块以ResNet作为主干，在层数较深的34层ResNet进行深层特征提取后，与空间金字塔结构模块进行连接。

进一步地，所述浅层特征跳接操作模块，通过两层普卷积、两层空洞卷积提取较为底层特征；并让输入的原始数据通过一个3x3的卷积层之间连接到特征融合模块。

进一步地，所述特征融合模块，将所述细节特征提取模块、语义特征提取模块和浅层特征跳接操作模块各自提取得到的多种特征图进行融合；融合步骤包括：

经过一层Concat层将多种特征图进行叠加操作；

叠加完成后再经过一次上采样操作，使它们的尺寸大小和原图像相同；

通过3层3x3的卷积层对多种特征图的参数进行适应调整；

与Softmax层相连，最后一层输出特征图大小为128×128×4，每张特征图各个像元的数值即对应该像元在该类别下的概率。

第二方面，本发明实施例还提供一种适用于景观破碎区作物类型遥感识别的系统，包括：

获取预处理模块，用于根据作物物候特征获取目标区域的遥感影像，进行数据预处理；

破碎度分区模块，用于基于耕地数据计算所述目标区域破碎度并按破碎度指标进行分区；

分类标定模块，利用SVM算法完成对各破碎度分区的遥感影像初步分类，并结合所述耕地数据完成作物类型样本标定，获得耕地地块内仅包含一种作物类型的样本数据；

构建样本集模块，用于从所述各破碎度分区中分别随机抽选相同数量的样本数据，构建作物类型训练样本集；

训练模块，用于将所述训练样本集输入多特征深度学习模型MFsNet进行微调训练，不断迭代直至Loss收敛，最终参考测试损失辅助选择确定最优模型；所述多特征深度学习模型MFsNet包括细节特征提取模块、语义特征提取模块、浅层特征跳接操作模块和特征融合模块；

识别模块，用于将待识别目标区域的遥感影像输入训练完成的MFsNet模型，完成农作物类型遥感识别。

与现有技术相比，本发明具有如下有益效果：

本发明实施例所提出的一种适用于景观破碎区作物类型遥感识别的方法，通过从不同破碎度分区中抽选训练样本，确保了训练样本代表性，模型训练结果能够在景观破碎区域实现较高的作物类型识别精度。为地表复杂、景观破碎地区的作物自动化识别提供更加有针对性的、更精确的解决方案。

其中，采用多特征深度学习模型MFsNet，突破传统分类方法的缺点和结构简单、模块单一的CNN模型在地块破碎地区的局限，该多特征深度学习模型MFsNet能够提取遥感影像的空间、光谱、时间等方面的不同层次、不同类别的多尺度特征，进行作物的遥感识别并得到作物分布结果。

(1)针对目标区域地块破碎化的现状，多特征深度学习模型MFsNet的作物识别结果取得了更高的识别精度、更好的目视效果。

(2)MFsNet各模块提取的特征图能体现高层语义、浅层细节等信息，能够有效地提取出对应的高层语义特征、底层细节特征，将这些特征结合，能够具备同时表征地物的类别归属和地物精确位置、形状、边界等细节的能力。

(3)在破碎度提升情况下，MFsNet的精度变化趋势最小且最稳定，能够使精度下降的突变点推迟。具有较高的稳定性、鲁棒性。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例提供的适用于景观破碎区作物类型遥感识别的方法流程图；

图2为本发明实施例提供的多特征深度学习模型MFsNet结构图；

图3为本发明实施例提供的适用于景观破碎区作物类型遥感识别的系统结构图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本发明提供了一种适用于景观破碎区作物类型遥感识别的方法，如图1所示，其中，该方法包括：

S10：根据作物物候特征获取目标区域的遥感影像，进行数据预处理；

S20：基于耕地数据计算所述目标区域破碎度并按破碎度指标进行分区；

S30、利用SVM算法完成对各破碎度分区的遥感影像初步分类，并结合所述耕地数据完成作物类型样本标定，获得耕地地块内仅包含一种作物类型的样本数据；

S40：从所述各破碎度分区中分别随机抽选相同数量的样本数据，构建作物类型训练样本集；

S50：将所述训练样本集输入多特征深度学习模型MFsNet进行微调训练，不断迭代直至Loss收敛，最终参考测试损失辅助选择确定最优模型；所述多特征深度学习模型MFsNet包括细节特征提取模块、语义特征提取模块、浅层特征跳接操作模块和特征融合模块；

S60：将待识别目标区域的遥感影像输入训练完成的MFsNet模型，完成农作物类型遥感识别。

该方法实现了作物遥感精确自动化识别，为地表复杂、景观破碎地区的作物自动化识别提供更加有针对性的、更精确的解决方案。

下面分别对上述各个步骤进行详细的说明。

步骤S1中的植物物候,又称为作物物候,如各种植物发芽、展叶、开花、叶变色、落叶等现象,农作物生育期中的物候现象。根据作物物候特征获取目标区域的遥感影像，进行数据预处理。

为后续方便描述，特选取中国广西壮族自治部的来宾市作为目标区域，来宾市位于亚热带季风性气候区，年平均气温为21.1℃，年平均降水量为1429.6mm，气候温暖，水资源丰富雨热同期，作物生长期较长，因此适宜发展农业。该地雨季为每年的5至8月，旱季为9月至次年4月。主要种植的农作物有甘蔗、水稻、玉米、大豆和木薯等。由于该地自然因素和社会经济等原因，耕地内套种、间种频发，种植作物繁多拥有复杂种植结构，耕地地块呈现破碎化的景观。

比如目标区域来宾市的基础地理数据主要包括ASTER GDEM数据、中国县级行政边界、中国县级行政边界、中国县级行政边界。ASTER GDEM数据来源为USGS(ftp://edcftp.cr.usgs.gov/data/gtopo30/global/)。

其中，步骤S10中对获取遥感影像的方式不作限定，可是航空像片和卫星相片，来源为资源卫星应用中心、Google Earth软件或野外实地拍摄。比如可通过无人机搭载成像设备获取目标区域的遥感影像。获取的遥感影像需要进行预处理，该遥感影像的预处理主要包括：辐射定标、正射校正、大气校正、投影转换和影像裁剪处理操作。

首先根据资源卫星中心公布的2019年国产陆地观测卫星外场绝对辐射定标系数(http://www.cresda.com/CN/Downloads/dbcs/index.shtml)对遥感影像数据进行辐射定标；

其次，进行几何校正。虽然在资源卫星应用中心下载得到的原始影像已经进行过系统性的几何粗校正，但其几何精度与实验要求还存在差距，还需对影像进行几何精校正，因此采用加拿大PCI Geomatics软件的四级数据生产模块进行正射校正。正射校正中，采用基准为天地图5m分辨率的影像，能够满足16m影像对正射校正基准图的精度要求。再经过大气校正操作，统一得到TOA反射率值，将影像各波段像元值标准化到0-10000之间。最后，将所有影像投影统一设置为Albers_Conical_Equal_Area，影像按来宾县级行政边界矢量数据进行裁剪等操作，完成数据的预处理。具体地：

(1)辐射定标

比如卫星传感器获取的原始数据记录的是地物的灰度值，是一个无量纲的整数值，值的大小受卫星传感器、地物和大气等各种因素的影响。使用遥感影像进行各种生产应用的第一步首先要进行辐射定标，即将原始图像的灰度值转换为表观反射率。

(2)正射校正是对影像进行几何畸变纠正的一个过程，它将对由地形、相机几何特性以及与传感器相关的误差所造成的明显的几何畸变进行处理。输出的正射校正影像将是正射的平面真实影像。

(3)大气校正

辐射定标之后的表观反射率只是消除了传感器本身的误差，仍然不是真实的地表反射率。大气校正将表观反射率消除了大气的散射、吸收和反射引起的误差，得到地表反射率，地表反射率才是真实的地物的反射率。

(4)投影转换

一种地图投影点的坐标变换为另一种地图投影点的坐标的过程。

(5)影像裁剪

影像裁剪是将遥感数据在统一的地理坐标系中采用一定算法生成一组新的信息或合成图像的过程。

步骤S20中，使用目标区域的耕地数据计算斑块密度，作为量化目标区域破碎程度的指标，并按照破碎程度对目标区域进行分区。

①将耕地地块矢量数据转化为栅格数据，计算景观水平的斑块密度(Patchdensity,PD)作为景观破碎度，公式如下：

M表示景观要素的类型总数，N_i表示整个景观中第i种类型斑块的总个数，A表示研究范围内景观的总面积。PD指数表示在每平方千米内斑块的数量，其取值区间为[1,+∞]，可表征景观的破碎化程度，斑块密度越大，破碎化程度越高。

②以破碎度为依据，分类方法为按分位数划分，将研究区分为若干层级。

为了探究MFsNet在不同破碎程度下适用性，引入景观生态学中破碎度的概念，将目标区域的破碎程度进行量化，计算破碎度，并按照破碎化程度对目标区域进行格网化分区，为后续实验提供样本抽样、结果分析的数据基础。

具体目的如下：

(1)为后续提供分层抽样的分层指标。在样本库构建过程中，抽取训练集时，将以破碎度作为分层指标进行抽样，以保证训练样本代表性；

(2)为后续进行基于破碎度的特征变化分析提供数据基础。在后续结果分析中，将根据破碎度进行测试集研究子区的排序，将所提出模型MFsNet与其他方法的结果精度进行趋势分析与突变点检测，分析模型在不同破碎度下的识别效果。

上述步骤S30-S40中，使用SVM算法完成影像分类，得到初步的作物分类结果，然后利用耕地数据进行标定，以耕地地块为基础，进行作物类型的标定。标定原则为：在每个耕地地块内，以像元数最多的作物类型进行标定，得到作物类型标记真值；如果地块内没有作物类型像元则标记为其他作物。

最终得到耕地范围内、类型纯净的作物类型样本。

根据上述步骤S20中的破碎度分区结果，将步骤S30中样本划分到不同的破碎度分区，步骤S40从每个分区中抽选相同数量的样本，作为样本集，并将样本集进一步划分为训练数据集和验证样本集。

然后步骤S50将经过预训练的初始化模型PSPNet-ResNet50的参数进行迁移，再将步骤S40中的训练数据集对MFsNet模型进行微调训练。不断迭代直至Loss收敛，最终参考测试损失辅助选择确定最优模型；最后，步骤S60将待识别目标区域的遥感影像输入训练完成的MFsNet模型(最优模型)，完成农作物类型遥感识别。

该方法通过从不同破碎度分区中抽选训练样本，确保了训练样本代表性，模型训练结果能够在景观破碎区域实现较高的作物类型识别精度。

其中，多特征深度学习模型MFsNet包括细节特征提取模块、语义特征提取模块、浅层特征跳接操作模块和特征融合模块。

1)多特征深度学习遥感作物识别模型网络框架设计

在PSPNet的基础上进行改进，针对景观破碎地区的作物识别进行多支路模块的多特征深度卷积神经网络模型MFsNet设计：①设计细节特征模块提取影像的纹理、细节、边界等特征；②设计语义特征提取模块提取全局特征、多尺度的语义特征等；③设计浅层特征跳接操作模块，充分提取高分辨细节特征；④设计能够融合多特征的特征融合模块。该模型可通过不同模块提取遥感影像不同层次、不同类别的多特征，以解决传统分类方法和典型CNN分类效果不够精细的问题，实现农业景观破碎地区作物分布的精确自动化识别。

参照图2所示，该模型能自动提取并融合多元空间、光谱、时间等不同方面，高层语义特征、全局特征、浅层细节特征等多尺度、多种类特征，为了更清晰地表示MFsNet，用公式表示其概念模型即：

G(x)＝G(h(x),l(x),s(x)) 公式(1)

h(x)表示语义特征提取提取到的高层特征；s(x)表示浅层特征跳接操作提取到的浅层特征；l(x)表示由细节特征提取模块提取到的浅层特征；x表示输入的遥感WFV数据，因此，G(x)可融合多特征。

深度卷积神经网络是由层数较深的卷积层和网络单元组成，其作用是提取不同的特征。本实施例中，采用F_ij表示模型网络中某模块下，第i层卷积层得到的特征图，卷积过程如下：

其中，运算符

表示第i层特征图与第i-1层特征图之间进行卷积操作；W_i表示某j模块下第i层卷积核对应的权重特征向量；b_i表示其对应的偏置。卷积操作之后，再通过激活函数f(·)得到最终的F_i。本实施例中，激活函数均采用线性整流函数(RectifiedLinearUnit，ReLU)，其公式为

f(x)＝max(0，x) 公式(3)

ReLU函数具有计算简单、接近生物神经元激活状态的稀疏性，而后每一层F_i都经过batch normalize层、scale层进行归一化和拉伸得到最终的特征图。

1.1)其中，细节特征提取模块：

大部分典型深度卷积神经网络经过多次下采样操作，特征图分辨率大幅度减小，虽能扩大感受野，达到提取高层语义特征的目的，但也丢失了地物的精确位置、形状和边界等底层信息。分辨率较低的特征图经过上采样后，虽能恢复到原大小，但是其结果是较为模糊的。而对于目标区域中耕地地块多呈现破碎化的特点，地块细碎、形状复杂，如果不能获取到准确的空间细节，会造成识别地物位置不精确、形状与地物不相符、边界不准确，影响最终的分类精度。因此，设计能够保留底层空间细节特征的模型是很有必要的。本实施例中，采用多支路分别对高层语义、浅层细节等特征进行提取，提取后进行再将所有多特征进行聚合。

细节特征提取模块是模型的一条支路，目的是提取较低层次的细节特征。中高分辨率遥感影像富含地物的纹理、形状、精确位置等空间细节特征，该细节特征提取模块主要由一个最大池化层和4个卷积层组成，目的是在尽可能地保留图像分辨率的同时，通过层数较少卷积层提取影像的较浅层细节特征，其中后两层设置为膨胀卷积层，目的是扩大感受野的同时保留影像的更多细节。

1.2)语义特征提取模块：

语义特征提取模块以ResNet作为主干，在层数较深的34层ResNet进行深层特征提取后，与空间金字塔结构模块进行连接，以提高模型获取全局信息的能力。最后使用双线性内插法进行上采样，恢复特征图到设定的分辨率。

1.3)浅层特征跳接操作模块：

模型已设计了细节特征模块，能够通过两层普通卷积、两层空洞卷积提取较为底层特征。为了获取更加丰富的特征，模型还关注了更加底层的特征，因此设计了“浅层特征连接操作”，让原始数据仅通过一个3×3的卷积层直接链接到特征融合模块，以保留数据的原始细节信息。

本操作不改变影像的原始大小，输出的特征图与输入一致，最大程度地保留了原始影像的纹理、形状、边界等底层细节特征，其空间位置更加精确，但由于特征图的分辨率太高，也可能会引入部分噪声造成误分，有必要控制操作提取的底层特征不要占据太大比重，因此设置输出特征图参数为32。本操作输出的底层细节特征直接连接到特征融合模块，与其他支路提取的多尺度的多种特征进行融合。

1.4)特征融合模块：

本模块的作用是将以上细节特征提取模块、语义特征提取模块和浅层特征跳接操作模块路径提取得到的多种特征进行融合。首先经过一层Concat层将各特征叠加，Concat层的作用就是将来自不同的支路的多个特征图进行叠加操作，叠加完成后这些特征图再经过一次上采样操作，使它们的尺寸大小和原图像相同；而后通过3层3x3的卷积层对多特征的参数进行适应调整。最后与Softmax层相连；比如当分类体系共四类，因此最后一层输出特征图大小为128×128×4，每张特征图各个像元的数值即对应该像元在该类别下的概率。

本实施例中，多特征深度学习遥感作物识别模型的细节特征提取模块核心结构为最大池化层、空洞卷积；语义特征提取模块的核心结构为关注深层特征提取的ResNet主干、进行多尺度特征提取的金字塔模块；浅层特征跳接操作关注原始影像的浅层特征；特征融合模块对各模块提取得到的特征进行整合，使MFsNet达到能够提取遥感影像不同层次、不同类别特征的目的。

2)作物类型样本库构建

经过SVM的分类方法、人工分类后处理和基于耕地的作物类型标定，实现高精度标记样本的制作，构建某历史年份目标区域的作物类型样本库，并按照分层随机抽样的方式划分为训练集、测试集，为后续MFsNet的训练提供样本基础。

比如将样本库随机按20％、80％的比例进行划分，分别设置为训练集、测试集。训练集用于训练模型，进行参数更新；在模型训练完成后，采用“最优模型”对测试集进行预测，进而进行精度评价。在抽选的训练数据集中，随机选取80％的数据集作为“训练样本集”，用于计算模型的训练损失，对模型的参数进行更新；抽选剩下的20％作为“验证样本集”，用于计算模型的测试损失，防止模型过拟合，辅助选择相对优化的模型。

为了保证不同破碎程度下的样本都能够选取到，以保证样本的代表性，实验采用分层抽样的方法随机抽选训练集样本，因此根据目标区域的破碎化等级分区情况进行抽样。

3)模型训练与预测

在MFsNet的训练阶段，采用迁移学习的策略，使用训练集对MFsNet模型进行训练直至模型收敛，在测试损失的辅助之下确定最终的“最优模型”。预测时，输入测试集数据得到逐个像元的作物识别结果。

网络模型训练目的是寻找最优的可学习参数，使损失函数最小化。在本实施例中，使用了交叉熵损失函数，计算方式如下：

其中C为总类别数，比如当类别为C＝4时，则i＝1，2，3，4；y是对应的地表真值，(y＝＝i)为关系运算，若y＝i，值为1，若y≠1，值为0；a_i是由模型最后一层全卷积层输出的对应真值类别i的概率。

在模型训练时，最后一层全卷积层与SoftmaxWithLoss层相连接计算出训练损失，经过梯度下降和权值更新，不断迭代直至Loss收敛，最终参考测试损失辅助选择确定“最优模型”。在预测阶段，实验替换SoftmaxWithLoss为SoftMax层，可输出的结果每一层对应地物的每种类别的概率似然值，每个像元的最终类别由对应的概率最高的类别决定，输入数据可得到基于逐个像元的作物识别预测结果。

4)模型识别结果分析

选取典型的FCN、传统的机器学习方法如随机森林作为对比模型进行预测，并进行结果分析。首先，将它们的预测结果与MFsNet模型进行定量的精度评价，并在典型的地块破碎区进行作物识别的目视评价，验证模型的有效性；其次，进行各主体模块输出特征图的可视化实验，水平截面的数值响应分析实验，以分析特征代表性。最后，根据破碎度变化，将MFsNet模型与其他方法的结果精度进行趋势分析与突变点检测，分析模型识别结果在不同破碎度下的识别效果。

本发明提供的适用于景观破碎区作物类型遥感识别的方法：

(1)MFsNet的作物识别结果取得了更高的识别精度、更好的目视效果。错分情况更少，也能更好地体现地物的边界、形状等信息，对耕地内作物的类别归属、位置的表征更加准确。因此，无论是从定量上，还是目视上，MFsNet都具有更好的分类效果和较高的景观破碎区作物识别准确性。

(2)MFsNet各模块提取的特征图能体现高层语义、浅层细节等信息。对于由“语义特征模块”提取到的语义特征，从目视上看，特征图能够准确表征地物类别，从数值响应上看，对地物的准确类别有高值响应，同时具有很好的稀疏性；对于由“细节特征提取模块”和“浅层特征跳接操作”提取得到的浅层特征，从目视上看，特征具象，能很好地表征边界、纹理等细节，具有精确识别空间位置的能力，从数值响应上看，对地物的细节和边界有高值响应。因此，本研究提出的MFsNet模型能够有效地提取出对应的高层语义特征、底层细节特征，且这些特征能够表征地物的准确类别归属，表征地物的位置、形状、边界等细节信息。

(3)在破碎度提升情况下，MFsNet的精度变化的下降趋势最小，并且能够使精度下降的突变点推迟。引入景观生态学中破碎度的概念，MFsNet对地物破碎地区的作物识别效果最好，能够使精度下降的突变点推迟，验证了MFsNet在破碎程度变化的情况下，识别精度具有较高的稳定性和鲁棒性。

基于同一发明构思，本发明实施例还提供了一种适用于景观破碎区作物类型遥感识别的系统，参照图3所示，包括：

获取预处理模块，用于根据作物物候特征获取目标区域的遥感影像，进行数据预处理；

破碎度分区模块，用于基于耕地数据计算所述目标区域破碎度并按破碎度指标进行分区；

分类标定模块，利用SVM算法完成对各破碎度分区的遥感影像初步分类，并结合所述耕地数据完成作物类型样本标定，获得耕地地块内仅包含一种作物类型的样本数据；

构建样本集模块，用于从所述各破碎度分区中分别随机抽选相同数量的样本数据，构建作物类型训练样本集；

训练模块，用于将所述训练样本集输入多特征深度学习模型MFsNet进行微调训练，不断迭代直至Loss收敛，最终参考测试损失辅助选择确定最优模型；所述多特征深度学习模型MFsNet包括细节特征提取模块、语义特征提取模块、浅层特征跳接操作模块和特征融合模块；

识别模块，用于将待识别目标区域的遥感影像输入训练完成的MFsNet模型，完成农作物类型遥感识别。

由于该系统所解决问题的原理与前述适用于景观破碎区作物类型遥感识别的方法相似，因此该系统的实施可以参见前述方法的实施，重复之处不再赘述。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种适用于景观破碎区作物类型遥感识别的方法，其特征在于，包括以下步骤：

根据作物物候特征获取目标区域的遥感影像，进行数据预处理；

基于耕地数据计算所述目标区域破碎度并按破碎度指标进行分区；

利用SVM算法完成对各破碎度分区的遥感影像初步分类，并结合所述耕地数据完成作物类型样本标定，获得耕地地块内仅包含一种作物类型的样本数据；

从所述各破碎度分区中分别随机抽选相同数量的样本数据，构建作物类型训练样本集；

将所述训练样本集输入多特征深度学习模型MFsNet进行微调训练，不断迭代直至Loss收敛，最终参考测试损失辅助选择确定最优模型；所述多特征深度学习模型MFsNet包括细节特征提取模块、语义特征提取模块、浅层特征跳接操作模块和特征融合模块；

将待识别目标区域的遥感影像输入训练完成的MFsNet模型，完成农作物类型遥感识别。

2.如权利要求1所述的一种适用于景观破碎区作物类型遥感识别的方法，其特征在于，根据作物物候特征获取目标区域的遥感影像，进行数据预处理,包括：

根据作物物候特征获取目标区域的遥感影像，并对所述遥感影像进行辐射定标、正射校正、大气校正、投影转换和影像裁剪处理操作。

3.根据权利要求2所述的一种适用于景观破碎区作物类型遥感识别的方法，其特征在于，基于耕地数据计算所述目标区域破碎度并按破碎度指标进行分区，包括：

将所述目标区域的耕地地块矢量数据转化为栅格数据，计算景观水平的斑块密度作为景观破碎度；

根据所述景观破碎度，按分位数将所述目标区域划分为若干破碎度分区，获得目标区域中不同破碎度分区下具有同一作物类型的遥感影像。

4.根据权利要求1所述的一种适用于景观破碎区作物类型遥感识别的方法，其特征在于，作物类型样本标定的过程包括：

在每个耕地地块内，以像元数最多的作物类型进行标定，得到作物类型标记真值；如果地块内没有作物类型像元则标记为其他作物；

以得到耕地范围内、类型纯净的作物类型样本。

5.根据权利要求1所述的一种适用于景观破碎区作物类型遥感识别的方法，其特征在于，所述多特征深度学习模型MFsNet的激活函数为ReLU函数。

6.根据权利要求1所述的一种适用于景观破碎区作物类型遥感识别的方法，其特征在于，所述细节特征提取模块由一个最大池化层和四个卷积层组成；其中后两层设置为膨胀卷积层。

7.根据权利要求1所述的一种适用于景观破碎区作物类型遥感识别的方法，其特征在于，所述语义特征提取模块以ResNet作为主干，在层数较深的34层ResNet进行深层特征提取后，与空间金字塔结构模块进行连接。

8.根据权利要求1所述的一种适用于景观破碎区作物类型遥感识别的方法，其特征在于，所述浅层特征跳接操作模块，通过两层普卷积、两层空洞卷积提取较为底层特征；并让输入的原始数据通过一个3x3的卷积层之间连接到特征融合模块。

9.根据权利要求1所述的一种适用于景观破碎区作物类型遥感识别的方法，其特征在于，所述特征融合模块，将所述细节特征提取模块、语义特征提取模块和浅层特征跳接操作模块各自提取得到的多种特征图进行融合；融合步骤包括：

经过一层Concat层将多种特征图进行叠加操作；

叠加完成后再经过一次上采样操作，使它们的尺寸大小和原图像相同；

通过3层3x3的卷积层对多种特征图的参数进行适应调整；

与Softmax层相连，最后一层输出特征图大小为128×128×4，每张特征图各个像元的数值即对应该像元在该类别下的概率。

10.一种适用于景观破碎区作物类型遥感识别的系统，其特征在于，包括：

获取预处理模块，用于根据作物物候特征获取目标区域的遥感影像，进行数据预处理；

破碎度分区模块，用于基于耕地数据计算所述目标区域破碎度并按破碎度指标进行分区；

分类标定模块，利用SVM算法完成对各破碎度分区的遥感影像初步分类，并结合所述耕地数据完成作物类型样本标定，获得耕地地块内仅包含一种作物类型的样本数据；

构建样本集模块，用于从所述各破碎度分区中分别随机抽选相同数量的样本数据，构建作物类型训练样本集；

训练模块，用于将所述训练样本集输入多特征深度学习模型MFsNet进行微调训练，不断迭代直至Loss收敛，最终参考测试损失辅助选择确定最优模型；所述多特征深度学习模型MFsNet包括细节特征提取模块、语义特征提取模块、浅层特征跳接操作模块和特征融合模块；

识别模块，用于将待识别目标区域的遥感影像输入训练完成的MFsNet模型，完成农作物类型遥感识别。

Images